金融创新加剧了区域金融风险吗？——基于社会网络与动态面板门槛效应的研究

李林汉韩景旺

(1.中央民族大学经济学院，北京 100081；2.河北金融学院河北省科技金融重点实验室，河北 保定 071051)

一、引言

随着经济全球化的持续深入和金融科技、金融创新的飞速发展，金融风险的传染性、市场机制的复杂性以及国家之间的关联性导致金融风险破坏性也在不断加大。中共中央、国务院高度重视区域金融风险的化解与防范，防范化解金融风险已经成为我国经济长期稳定健康发展的重要目标，也是关乎社会和谐稳定的关键。2020年3月国务院发布“十四五”规划，将金融安全与粮食安全、能源资源安全一同提升到国家安全战略层次，强调“守住不发生系统性金融风险的底线”的重要性。

金融创新是指变更现有的金融体制和增加新的金融工具，以获取现有的金融体制和工具无法取得的潜在利益，是一个为了经济发展而缓慢进行与持续不断的动态发展过程(Schumpeter，1934)[16]。金融创新的出现便捷了金融服务的获得性(Amos and Wingender，1993)[3]，克服了传统金融的一些缺点，通过加速创新与金融深化推动经济增长，进而演化为经济发展的动力之一(Ireland，1995)[11]。但是，也有学者指出，金融创新促进经济增长需要适度的金融监管，不受监管的金融创新会导致经济发展虚拟化过重，进而产生金融危机。以Henderson and Pearson(2011)[9]、Chiu et al.(2017)[6]以及Beck et al.(2012)[4]为代表的学者们提出了金融创新的黑暗面与光明面的概念，庄雷和王烨(2019)[42]从正反两方面分析了科技金融创新对经济发展的促进与抑制效应。

分析已有文献发现，现有成果更多是关注金融创新对经济增长的影响效应，关于金融创新的风险效应量化研究较少。鉴于此，本文利用我国31个省份的面板数据构造区域金融风险指数水平，采用社会网络分析研究区域金融风险的空间关联网络特征；然后实证检验金融创新是否加剧了区域金融风险，二者之间是否存在非线性效应；接着基于空间网络关联性的新角度，检验金融创新能否通过区域金融风险的空间关联网络特征来影响区域金融风险；最后探究金融监管在金融创新影响区域金融风险过程中是否产生了调节效应。明晰上述问题的结论，可以为防范区域金融风险提供理论依据，为区域金融创新的发展提供指导意见，有利于经济高质量发展。

二、文献综述和研究假设

(一)区域金融风险水平的测度与空间关联性

区域金融风险测度主要有以下三类方法。一是早期预警指标体系法(章曦，2016)[39]，采用类比相似国的方法，研究出一套预测本国发生金融风险的阈值。二是研究金融机构和金融子市场传染性的计量方法，包括DIP模型(Huang et al.，2009)[10]、Shapley Value模型(Tarashev et al.，2009)[18]、条件在险价值(CoVaR)模型(Adrian and Brunnermeier，2014)[2]、SES模型(Acharya et al.，2017)[1]和SRISK模型(Christian and Robert，2017)[5]。三是宏观金融风险的计量方法，主要包括金融压力指数法、灾难保险指数法等。

区域金融风险的空间关联性研究上，荣梦杰和李刚(2020)[31]、刘莹(2021)[27]基于社会网络分析法对金融风险的空间关联度进行分析，谭中明等(2020)[33]、陈守东等(2020)[20]采用空间Moran’s I指数方法进行区域金融风险的空间性测量。随着经济全球化的深入，区域经济发展的联系越来越紧密，地理位置、环境资源以及政策实施的影响导致区域金融的发展呈现互相联动的关系，区域金融风险也相应地必然存在空间上的关联。社会网络分析法能够测算出相关的空间特征以及空间关联，弥补传统空间计量的缺陷，因此，本文运用社会网络分析法，测算区域金融风险的空间特征指标以及空间关联度，同时分析此种空间关联对区域金融风险的效应。由此提出如下假设：

H1a：我国各省份之间的区域金融风险水平存在空间关联特征。

H1b：区域金融风险的空间特征指标促进区域金融风险扩散。

(二)金融创新对区域金融风险的影响

众多学者对于金融创新影响区域金融风险的效应观点不一致。第一种观点为金融创新水平的提升会加剧区域金融风险。陆磊和杨骏(2016)[28]认为金融创新与金融稳定是不可能同时出现的。冉芳和张红伟(2016)[30]认为过度的金融创新会偏离实体经济发展轨道，导致资金在金融系统空转，从而产生金融风险。王德凡(2018)[34]提出金融创新加剧了金融机构自身脆弱性，会导致金融风险的扩散效应。第二种观点为金融创新水平的提升不会加剧区域金融风险。Miller(1986)[14]认为金融创新提供了投资的多元性选择，促进金融资源配置，降低融资的风险性。Finnerty and John(2010)[7]认为技术更新增加了金融资源的流动性，缓解了区域金融风险。Ross(2012)[15]认为金融创新具有缓解信息不对称的优势，可以保障资金的流通与金融整体的稳定性。杨鹏(2019)[38]探究了A股上市商业银行金融创新与股票崩盘风险之间的关系，认为二者之间存在负相关，金融风险的出现主要归结于公允价值计量，而非金融创新本身。第三种观点为金融创新水平与区域金融风险之间有非线性关系。即金融创新水平低于一定数值时，不会加剧区域金融风险；而当金融创新水平高于某数值后，金融创新则会加剧区域金融风险(Torna and Deyoung，2012)[19]。胡文涛等(2018)[22]发现商业银行的金融创新水平会对商业银行盈利能力产生倒U型影响。潘敏和袁歌骋(2019)[29]认为适度的金融创新会带来正向影响，不会造成风险，但也要防止过度的金融创新产生的抑制作用。

金融创新可以通过技术创新构建更加有效的监管体系，排除人为因素的主观桎梏，从而更加有效地管控风险，降低区域金融风险。此外，金融创新还可以通过降低企业成本，缓解融资信息不对称，保障金融资产的有效流动，维持金融稳定。但金融创新水平的进一步提升可能会加剧区域金融风险。这是因为，金融创新不仅增加了金融体系整体的脆弱性，而且增加了金融体系整体的非监管性风险；同时，金融创新下的金融衍生品名目繁多，在为个人和机构提供利润的同时，产生的风险越来越大。基于此，提出如下假设：

H2：金融创新水平对区域金融风险的影响呈现U型非线性关系。

目前，我国区域之间的联系日趋紧密，经济合作与交流逐步增多，跨区域的金融发展得以实现。作为传统金融的补充，金融创新的空间联系和时间联系更加显著，金融创新不仅大大便利了本地金融服务的可得性，也为相邻地区的金融创新提供发展模板，各地区可能会采取相邻地区相似的经济政策来制定本地的发展计划，加速本地的金融创新发展。在此过程中，金融创新诱发区域金融风险的机制通过空间溢出效应进行传播。考虑到各省份之间的地理位置与经济发展情况差异性，金融风险的空间关联结构也有所不同。尤其对于那些位于金融风险中心，且与各地联系紧密的省份，金融创新影响区域金融风险水平的程度较明显。基于此，提出如下假设：

H3：区域金融风险水平的空间特征指标在金融创新影响区域金融风险水平的过程中起到中介效应。

(三)金融监管在金融创新影响区域金融风险过程中的作用

金融创新的风险程度与金融监管力度有关(李泽广和王刚，2014)[25]，金融监管一定程度上阻止了金融市场的创新活动，减缓了金融创新的扩散程度，但金融监管的激励功能也会摒弃不合理的金融创新，避免金融创新产品和制度的滥用(周孟亮和李明贤，2016)[41]。在金融监管的约束下，企业必须遵守金融监管规则，违背金融监管的企业会遭受惩罚，导致企业面临更加严峻的投融资约束(James et al.，2013)[12]。金融监管不到位的金融创新加剧了金融风险的积累和金融脆弱性的恶化。Kane(2012)[13]认为金融创新与金融监管的关系是一个互相博弈、动态演化的过程。李文泓(2009)[23]认为应该将宏观审慎监管和微观审慎监管有机结合，形成维护金融稳定的方法。李妍(2010)[24]分析了金融监管对金融风险和金融稳定的影响，提出金融监管要兼顾金融稳定性。综上，金融创新促进经济增长需要适度的金融监管，不受监管的金融创新容易引起金融危机和经济过度虚拟化，进而爆发金融风险。基于此，提出如下假设：

H4：金融监管在金融创新加剧区域金融风险的过程中起到调节作用，会削弱金融创新加剧区域金融风险水平的程度。

三、研究设计

(一)数据来源与变量定义

1.被解释变量：区域金融风险(Jrfx)

金融风险是一个多维度的复杂概念，本文参考章曦(2016)[39]、王营和曹廷求(2017)[35]、沈丽等(2019)[32]的研究，基于金融市场与金融风险理论，兼顾研究的科学性与完备性，构建区域金融风险水平指标体系，具体如表1所示。

依据各指标与金融风险的关系，可以将相应指标划分为正向指标、适度指标与负向指标。其中，正向指标与区域金融风险正相关，该指标越大，区域金融风险越大；负向指标与区域金融风险负相关，即该指标越小，区域金融风险越大；而适度指标表示与该适度指标的偏离度越大，区域金融风险越大。

在确定各指标后，本文利用SPSS软件对各指标进行主成分分析，最后确定区域金融风险指数，具体过程如下：

(1)数据的标准化处理

采用SPSS对金融风险的各指标进行标准化处理。

(2)主成分分析降维

利用SPSS软件进行主成分分析。以2011年的数据为例，首先，通过降维分析可以得到Kaiser-Meyer-Olkin的检验值为0.522，大于临界值0.5；Bartlett球形检验值为138.959，且Sig值为0.00，即在1%水平下显著，这些数值均表明拒绝原假设，金融风险的各指标可以进行主成分分析降维。然后利用SPSS软件计算出主成分特征值与方差贡献率，如表2所示。前四个主成分分析的累计贡献率达到77.505%，且前四个主成分的特征值均大于1，基本上保留了原始指标信息，因此，2011年的金融风险指标选择前四个主成分进行分析。

表3展示了主成分表达式的成分矩阵，结合表2的特征值和累计贡献率，可得2011年的前四个主成分表达式如下：

表2 2011年金融风险指标主成分分析特征值与贡献率

表3 2011年金融风险指标主成分分析成分矩阵

再结合贡献率的权重，最后形成2011年各地的金融风险指标：

式(1)～(5)中，f1,f2,f3,f4代表前四个主成分，而x1,x2,x3,x4,x5,x6,x7,x8,x9,x10代表标准化以后的金融风险分指标。

(3)归一化处理

主成分分析得到的数据有正有负，不利于数据描述与处理，因此将得到的各数据进行归一化处理，方法如式(6)所示，得到2011年我国31个省份的金融风险指数。

最后，依据相同方法计算其余各年份的金融风险指数，得到的2011―2020年各地金融风险指标如表4所示。

表4 2011―2020年各地金融风险指数

2.核心解释变量

(1)金融创新(Jrcx)

兼顾研究视角全面性与适用性原则，本文选择了北京大学数字金融研究中心编制的数字普惠金融指数衡量金融创新(郭峰等，2020)[21]。该指数从“技术-金融”角度出发，依托云技术等智能算法，利用数以亿计的微观数据计算得出，具有较强的可信度。数字普惠金融是数字技术与普惠金融的有机结合，是指在数字技术的支持下通过金融服务促进金融的行动。数字技术与普惠金融结合下的数字普惠金融既增大了金融服务的覆盖范围、完善了金融服务网络，又降低了金融服务的风险和成本、提高了个体层面金融服务的可获得性，能够较好地体现区域金融创新水平。该套指数包含覆盖广度(Jrcx_fg)、使用深度(Jrcx_sd)和数字化程度(Jrcx_sz)3个一级指标，包含支付、保险、货币基金、信用服务等33个二级指标。

(2)区域金融风险水平空间特征指标

借鉴张曾莲和方娜(2021)[40]的方法，本文采用社会网络分析法计算得到的区域金融风险点度中心度(Didu)、接近中心度(Jjin)和中介中心度(Zjie)衡量区域金融风险水平空间特征。根据社会网络分析法的定义，点度中心度(Didu)依据空间网络中的关联数来表示各地在金融风险空间关联网络中位于中心位置的程度，此值越大，表明该省份在金融风险的空间关联网络中与其他省的联系就越多，越能表明该省份的中心地位。接近中心度(Jjin)描述了空间网络中某省份在金融风险的互相联系过程中“不受其他省份影响”的程度，此值越大，表明该省份金融风险水平与其他省份之间存在更多的直接关联度，那么该省份就是空间网络关系的中心行动者。中介中心度(Zjie)表明了该省份在多大程度上影响其他省份之间的关联性，此值越大，表明该省份就越能影响其他省份金融风险之间的相互行动，该省份就位于空间关联网络的中介位置。

3.调节变量：金融监管(Jrjg)

金融监管是指各地政府为了维护好金融稳定，充分发挥金融市场的有效服务性，进一步促进区域经济健康有序发展的监管手段(徐诺金，2005)[37]。本文选用各地的地方政府金融监管支出衡量金融监管，为了与其他指标保持一致，采用了无量纲的标准化处理。

4.控制变量

参考已有的相关研究文献，本文控制了以下变量：(1)经济发展水平(Jjfz)，采用人均国民生产总值的增长率进行衡量；(2)人力资本水平(Rlzb)，采用各地就业人员人数进行衡量，为了与其他指标保持一致，采用了无量纲的标准化处理；(3)产业结构水平(Cyjg)，采用第三产业产值与国民生产总值之比进行衡量；(4)对外开放程度(Dwkf)，采用外商投资企业投资总额与国民生产总值之比进行衡量；(5)科技创新水平(Kjcx)，采用国内专利申请受理量的对数值进行衡量；(6)城镇化水平(Czsp)，采用城镇人口数量与总人口数量之比进行衡量。此外，为初步检验衡量金融创新的非线性效应，还引入了金融创新的平方项(Jrcx2)。

本文的数据样本选取2011―2020年为时间区间，由于港澳台地区的数据缺失，选取我国31个省、市、自治区为研究对象。以上各数据主要来源于万得数据库、《中国统计年鉴》《中国金融年鉴》、中国人民银行官网、国家统计局官网、各地统计局官网、各地每年的统计公报以及各地每年的金融运行报告。主要变量的描述性统计结果如表5所示。

(二)模型构建

为了分析金融风险的空间网络特性，本文借鉴沈丽等(2019)[32]的做法，采用扩展后的引力模型(gravity model)来确定金融风险空间网络矩阵，具体模型如下所示：

其中，模型(7)中，kij表示i省份在i、j省份之间金融风险关联中的贡献度，Jrfxi表示i省份的区域金融风险指数；模型(8)中，yij表示矩阵中的i行j列数值，Gdpi和pGdpi分别表示i省份的国内生产总值与人均国内生产总值，Rksi表示i省份的年末人口总数，Dij表示i，j两个省份之间省会城市的距离。根据模型(7)和(8)可以计算出省份间的金融风险关联网络矩阵，然后将其二值化，取每一行的平均数为所在行的临界值，如果yij大于平均值，则定为1，表示i、j省份之间存在互相影响；否则取0，表示i、j省份之间不存在互相影响。依据上述操作，每一年份均生成一个31行31列的0-1矩阵。

各省份的金融创新、区域金融风险的空间特征与区域金融风险水平三者之间的影响效应检验，按照如下步骤进行逐步分析：第一步，建立普通的平衡面板回归模型(9)，检验金融创新对区域金融风险的影响，同时在模型(9)中加入金融创新变量的平方项检验金融创新与区域金融风险之间是否存在非线性关系；第二步，构建模型(10)来检验各省份金融风险的点度中心度、接近中心度和中介中心度与模型(9)中的解释变量金融创新之间是否存在显著性的影响关系；第三步，构建模型(11)，将各省份的金融创新水平、金融风险的空间特征与金融风险一起纳入，验证各省份金融风险的空间特征是否发挥中介效应。模型(9)～(11)具体如下：

模型(9)中Xit为其他控制变量；i代表省份，t代表时间，μi用来控制地区固定效应，λt用来控制时间固定效应，εit为随机扰动项。模型(10)中，Cit表示通过社会网络分析法计算出的各省份金融风险的点度中心度、接近中心度和中介中心度。模型(10)和(11)中的其他变量同模型(9)一致。此外，在模型(9)验证金融创新与金融风险的非线性关系后，为了继续深入验证这种关系，本文在Hansen(1999)[8]提出的静态面板门槛模型的基础上，选用Seo and Shin(2016)等[17]提出的动态面板门槛模型进行模型构建。动态面板门槛模型能够克服静态面板门槛模型的固定效应要求协变量严格外生的限制，允许模型中存在因变量滞后项和内生协变量。具体模型如下：

模型(12)为单门槛的动态面板模型，双门槛的动态面板模型类似，不再赘述。模型(12)中q为待估的区域金融创新门槛值，I(•)为指标函数，当括号中的条件满足时，该函数的值取1，否则取0。

四、实证结果与分析

(一)中国区域金融风险水平空间关联的网络结构

基于模型(7)和(8)构建的引力模型，利用UCINET可视化工具，绘制2011―2020年各省份金融风险水平的空间网络关系(限于篇幅，图1仅展示了2020年各省份的空间网络关系)。可以看出，我国的区域金融风险水平空间关联呈现典型的网络结构，空间联系显著且严密。

2020年中国31个省份的金融风险中心度结果如表6所示。综合金融风险点度中心度、接近中心度和中介中心度三个中心度的数值和排名看，上海、江苏、北京、浙江和广东的排名均靠前，表明这些区域在金融风险水平的空间关联网络中占据着重要地位。因此，这些地区要继续发挥其在空间网络中的重要作用，在利用自身优势持续发展金融、带动相关省份金融发展的前提下，更要保持金融系统的稳定性，以免发生金融风险的迅速传播。具体来说：

第一，点度中心度方面，由表6的测算结果可知，点度中心度的平均值为28.387，大于均值的省份有8个，按照顺序从高到低分别是江苏、上海、北京、浙江、福建、甘肃、广东和天津，表明这些省份与其他地区省份的空间关联较高。其中江苏、上海、北京跟20个以上的省份存在金融风险传染的关联效应，说明这些省份位于金融风险空间网络关联的中心地位。另外，位于点度中心度前五的省份中，上海是我国的金融中心，北京是我国的政治和经济中心，其他省份均位于东南部经济发达地区，这些地区的金融发展也位于全国前列。而点度中心度的后三位为内蒙古、青海和西藏，这些省份为我国的少数民族地区，经济发展水平落后，金融化水平较低，因此金融风险的整体中心度地位较低。

第二，接近中心度方面，平均值为18.320，大于均值的省份有18个，按照顺序从高到低分别是江苏、上海、北京、浙江、天津等，表明这些省份的金融风险水平与其他省份之间存在更多的直接关联度，与网络中其他省份之间的空间距离较近，更居于网络的中心位置。究其原因，就在于上述各省份无论是经济增长还是政策引领都具有巨大优势，与其他省份的资本流动交换率也高，同时发挥着外引内联的重要作用，与之对应也更能体现出区域金融风险的空间传染和关联性。位于后十位的省份为云南、陕西、黑龙江、西藏、内蒙古等，说明这些地区的金融风险外溢性弱，金融发展属于被动型。

第三，中介中心度方面，高于均值的省份有11个，按照顺序从高到低分别是江西、上海、广东、重庆、北京、福建等，表明这些省份能影响剩余省份金融风险之间的相互行动，这些省份不仅在空间网络关系中起到中心作用，还能发挥中介的桥梁作用，对于金融风险的传染起着较强的控制和支配作用。

综合图1及上述分析，假设H1a得到验证。

(二)金融创新对区域金融风险的非线性作用分析

本部分将上文测算的区域金融风险空间特征加入回归模型中，检验金融创新水平与区域金融风险之间的非线性关系，同时通过模型(9)～(11)检验各地的区域金融风险空间特征是否在金融创新水平与区域金融风险之间起到了中介作用。

在对模型(9)进行估计时，即中介效应第一步回归，需要注意三个问题：一是考虑到解释变量选取的不完备性，可能会因某些未观测的效应而产生模型结果偏差，因此对模型(9)采用固定效应面板；二是金融风险与金融创新之间的双向因果关系，因此本文在估计时均加入被解释变量的一阶滞后项以缓解因果关系；三是内生性问题，在估计时采用系统GMM法，将被解释变量的一阶滞后作为工具变量。

具体结果如表7所示。其中第(1)列是没有加入控制变量的固定效应模型，第(2)列是加入控制变量的固定效应模型，第(3)列是采用系统GMM估计的结果。对比这三列回归结果可以发现，金融创新与金融创新二次项的系数大小有所不同，但系数的正负和显著性没有变化，验证了本文所用模型的稳健性。

表7 中介效应第一步回归结果

表7第(3)列显示，Sargan检验值为0.101，拒绝工具变量存在过度识别的假设；同时AR(2)检验得到的p值为0.185，即不存在二阶序列相关，说明系统GMM估计结果是有效的。从回归结果可以看出，金融创新(Jrcx)的回归系数为-3.778，且在1%水平下显著。考虑平方项(Jrcx2)，其系数为1.031，且在1%水平下显著，表明金融创新(Jrcx)与区域金融风险之间存在着U型关系，验证了前文的假设H2。

表8为区域金融风险的各空间特征与金融创新的回归结果，即中介效应的第二步回归。为解决内生性问题，表8采用了系统GMM估计的方法，同时加入了被解释变量的滞后项以缓解双向因果关系。估计结果显示，Sargan的检验值分别为0.129、0.100和0.100，拒绝工具变量存在过度识别的假设；同时AR(2)检验得到的p值分别为0.170、0.118和0.101，即不存在二阶序列相关，说明系统GMM估计结果是有效的。同时可以看出，点度中心度(Didu)、接近中心度(Jjin)和中介中心度(Zjie)与金融创新(Jrcx)的回归系数均显著为负，说明金融创新可以抑制区域金融风险的空间关联度。金融创新回归系数的显著性表明中介效应通过了第二步检验。

表8 中介效应第二步回归结果

表9为区域金融风险(Jrfx)为被解释变量，金融创新以及其平方项、金融风险的各空间网络特征为核心解释变量的回归结果，即中介效应的第三步回归结果。此处采用双向固定效应模型进行分析。回归结果显示，金融风险的各空间网络特征点度中心度(Didu)、接近中心度(Jjin)和中介中心度(Zjie)的回归系数均显著为正，说明在区域金融风险的空间关联网络中，处于空间网络中心位置的省份，其区域金融风险水平的传播性也越高，验证了假设H1b。金融创新(Jrcx)回归系数均显著为负，金融风险的各空间网络特征显著为正，由温忠麟等(2004)[36]的中介效应检验理论可知，区域金融风险的空间网络特征存在部分中介效应，即金融创新可以影响区域金融风险水平的空间关联特征，进而影响我国区域金融风险的传播，验证了假设H3。

表9 中介效应第三步回归结果

上文分析显示，金融创新对区域金融风险水平的影响呈现U型非线性关系。为进一步明晰这种非线性关系，依据模型(12)，建立动态面板门槛模型。同时，为了检验门槛模型的稳健性，按照北京大学数字普惠金融指数的分类，将金融创新指数细化为覆盖广度(Jrcx_fg)、使用深度(Jrcx_sd)、和数字化程度(Jrcx_sz)3个维度。

表10报告了门槛效应存在显著性的检验结果，可以看出，金融创新覆盖广度(Jrcx_fg)、使用深度(Jrcx_sd)、数字化程度(Jrcx_sz)均存在单门槛效应。其中，金融创新覆盖广度的单门槛效应在10%水平下显著，而双门槛效应没有通过10%的显著性检验；金融创新使用深度的单门槛效应在5%水平下显著，而双门槛效应没有通过10%的显著性检验；金融创新数字化程度的单门槛效应在1%水平下显著，而双门槛效应没有通过10%的显著性检验。此外，根据图2的覆盖广度、使用深度、数字化程度分别为门槛变量的门槛值与置信区间也可以看出，单一门槛效应是显著存在的。

表10 门槛存在性检验结果

在图2的基础上，将各门槛估计值汇报在表11。可以看出，金融创新覆盖广度的单门槛值为2.333，在全部的310个观测值中，超过金融创新覆盖广度单门槛值的观测值为140个，低于金融创新覆盖广度单门槛值的观测值有170个，而这170个观测值集中出现在2011―2016年。金融创新使用深度的单门槛值为2.251，在全部的310个观测值中，超过金融创新使用深度单门槛值的观测值有183个，低于金融创新使用深度单门槛值的观测值有127个，这127个观测值集中出现在2011―2013年。金融创新数字化程度的单门槛值为2.547，在全部的310个观测值中，超过金融创新数字化程度单门槛值的观测值有125个，低于金融创新数字化程度单门槛值的观测值有185个，这185个观测值集中出现在2011―2017年。

图2 金融创新覆盖广度、使用深度、数字化程度的门槛值与置信区间

表11 门槛估计值及置信区间

以金融风险为被解释变量，金融创新的覆盖广度(Jrcx_fg)、使用深度(Jrcx_sd)、和数字化程度(Jrcx_sz)作为门槛变量与核心解释变量，区域金融风险的空间特征为解释变量构造的动态面板单门槛模型的回归结果如表12所示。第(1)列为以金融创新覆盖广度作为门槛变量的回归结果，可以看出金融创新覆盖广度在位于门槛值(2.333)的两侧时，系数均通过1%水平的显著性检验，而且在低于门槛值的时候，金融创新覆盖广度抑制了金融风险水平，在高于门槛值的时候，金融创新覆盖广度加剧了金融风险水平。第(2)列为以金融创新使用深度作为门槛变量的回归结果，可以看出在位于金融创新使用深度门槛值(2.251)的两侧时，回归系数通过了1%水平的显著性检验，而且在低于门槛值的时候，金融创新使用深度抑制了金融风险水平，在高于门槛值的时候，金融创新使用深度加剧了金融风险水平。第(3)列为以金融创新数字化程度作为门槛变量的回归结果，可以看出在位于金融创新数字化程度门槛值(2.547)的两侧时，系数均通过1%水平的显著性检验，而且在低于门槛值的时候，金融创新数字化程度抑制了金融风险水平，在高于门槛值的时候，金融创新数字化程度加剧了金融风险水平，假设H2再次得到验证。

表12 门槛效应的估计结果

(三)金融监管的调节作用

借鉴连燕玲等(2019)[26]的做法，本文建立调节效应模型，检验金融监管调节效应，即验证假设H4。金融监管调节效应模型如下：

模型(13)和(14)中Jrjg代表各地的金融监管强度，Jrcx×Jrjg表示金融监管与金融创新的交乘项，其他变量同前。若α1、β1的系数同号且通过显著性检验，则说明金融创新对区域金融风险的主效应存在，同时若β3的系数通过显著性检验，则说明金融监管的调节效应存在。在调节效应存在的前提下，若α1、β3同号，则金融监管会加强金融创新对区域金融风险的主效应，若α1、β3异号，则金融监管会削弱金融创新对区域金融风险的主效应。结合表14的门槛效应回归结果可知，金融创新对于区域金融风险存在U型非线性效应，则在进行调节效应分析时，从门槛值的两侧进行异质性分析，具体来说，将样本按照门槛值进行分类，分别探讨金融监管在金融创新抑制金融风险和金融创新加剧金融风险不同阶段的调节效应。此外，为检验所假设调节效应模型的稳健性，按照北京大学数字普惠金融指数的分类，将金融创新指数细化为覆盖广度、使用深度、数字化程度三个维度，以求得到更为稳健的实证结果。回归结果见表13和表14。其中表13是低于门槛值的回归结果，表14是高于门槛值的回归结果。

表14 调节效应的估计结果(高于门槛值)

表13第(1)(2)列检验金融监管在金融创新覆盖广度(低于门槛值2.333)抑制区域金融风险过程中的调节作用，由结果可知α1、β3的系数同负且通过显著性检验，说明金融创新覆盖广度抑制区域金融风险的主效应存在，但交叉项系数β3没有通过显著性检验，说明金融监管在金融创新覆盖广度(低于门槛值2.333)抑制区域金融风险过程中的调节作用不存在。表13第(3)(4)列检验金融监管在金融创新使用深度(低于门槛值2.251)抑制区域金融风险过程中的调节作用，由结果可知α1、β1的系数同负且通过显著性检验，说明金融创新使用深度抑制区域金融风险的主效应存在，但交叉项系数β3没有通过显著性检验，说明金融监管在金融创新使用深度(低于门槛值2.333)抑制区域金融风险过程中的调节作用不存在。表13第(5)(6)列检验金融监管在金融创新数字化程度(低于门槛值2.547)抑制区域金融风险过程的调节作用，与第(3)(4)列的结果类似，金融监管在金融创新数字化程度抑制区域金融风险的过程中没有起到调节作用。

表13 调节效应的估计结果(低于门槛值)

表14第(1)(2)列检验金融监管在金融创新覆盖广度(高于门槛值2.333)加剧区域金融风险过程中的调节作用，由结果可知α1、β1的系数同正号且通过显著性检验，说明金融创新覆盖广度加剧区域金融风险的主效应存在，同时β3的系数通过显著性检验，说明金融监管的调节效应存在，但α1、β3异号，说明金融监管削弱了金融创新覆盖广度对区域金融风险的加剧，能够起到监管的目的。表14第(3)(4)列检验金融监管在金融创新使用深度(高于门槛值2.251)加剧区域金融风险过程中的调节作用，由结果可知α1、β1的系数同正号且通过显著性检验，说明金融创新使用深度加剧区域金融风险的主效应存在，同时β3的系数通过显著性检验，说明金融监管的调节效应存在，但α1、β3异号，说明金融监管削弱了金融创新使用深度对区域金融风险的加剧，能够起到监管的目的。表14第(5)(6)列检验金融监管在金融创新数字化程度(高于门槛值2.547)加剧区域金融风险过程的调节作用，与第(3)(4)列的结果类似，金融监管在金融创新数字化程度加剧区域金融风险的过程中起到调节作用。本文假设H4得到验证。

五、结论与建议

本文基于我国2011―2020年我国31个省份的面板数据，运用主成分分析法构建各省份金融风险指标，基于社会网络分析法从空间角度探究金融风险指数的空间关联网络特征，着重分析金融风险指数的空间关联表现下金融创新对金融风险的非线性效应与影响途径，探究了金融监管在金融创新影响区域金融风险中的调节作用。分析结果表明：我国的区域金融风险水平的空间关联呈现典型的网络结构，无孤立点，空间联系显著且严密；区域金融风险的空间特征指标对于区域金融风险的加剧存在着正向影响；金融创新水平对区域金融风险的影响是U型的，即低于门槛值时金融创新水平不会加剧区域金融风险，但越过门槛值时金融创新水平会加剧区域金融风险；区域金融风险水平的空间关联指标在金融创新与区域金融风险水平的关系中起到中介效应，即金融创新能够影响到区域金融风险水平的空间关联结构，从而影响区域金融风险水平；金融监管在金融创新加剧区域金融风险的过程中起到调节作用，削弱了金融创新加剧区域金融风险水平的程度。

基于上述结论，本文提出以下建议：

第一，要充分重视我国区域金融风险的空间关联和网络特征，在促进各地金融协调发展的同时，防范区域金融风险的空间关联带来的系统性金融风险传染和爆发。本文得到的结果显示，我国区域金融风险水平的空间关联呈现典型的网络结构，无孤立点，空间联系显著且严密。因此，在面对诸如互联网金融风险、高杠杆危机等类似的金融问题时，应防止发生空间和区域之间的传播现象。从空间关联数据看，北京、上海、广东、江苏与浙江等省份在中心性方面均起到主导作用，一旦上述各地发生金融风险，便会迅速发生扩散。因此，各地在加强区域间经济交往和合作时，要通力互助，为防范区域金融风险的传播创造更加有利的先决条件。此外，在制定金融政策时，既要考虑到各地的金融水平，也要充分参考各地的实际经济水平，不搞一刀切，采取差异化的地区金融经济政策。

第二，辩证看待金融创新与区域金融风险之间的关系。虽然随着金融创新的深入发展，区域金融风险也会随之加剧，但金融创新的正面效应亦需肯定，金融创新不仅便利了金融服务的可得性，也为中小微企业解决了融资困难问题。但是，过度的金融创新往往因为缺乏有效监管而陷入危险境地。因此，在守住不发生系统性金融风险的前提下，配套和完善相关金融产业的发展，推进信息技术能力的进步，以人工智能、大数据高端核心技术合法破解当前数据困境，助力金融创新。应通过先进的核心技术为金融创新提供精准服务、实行有效甄别，对那些具有创新发展能力、资金短缺严重的企业给予足够的金融支持，从而发挥出金融创新驱动经济发展的正面作用。传统的金融机构也应该积极拥抱金融创新的数字化技术优势，为传统金融的事前识别企业、事中金融服务、事后风险控制提供有力支撑，助力实体经济发展。

第三，加强中央和地方金融监管机构之间的协作，积极推进中央与地方的信息共享，提高金融监管的整体水平。提高监管机构的监管水平，紧跟互联网、云计算、大数据等先进技术的发展，不断充实监管队伍的科技水平，发挥智能监管的积极作用。在充分考虑地区经济发展状况的同时，构建出适合国情与地方特色的金融创新水平控制机制与风险预警措施，尽量消除金融创新加剧区域金融风险的不利因素，为金融高质量发展保驾护航。